INTRODUCCIÓN

Desde el punto de vista de la programación lineal, el análisis de

sensibilidad, llamado también análisis paramétrico, es un método que
permite investigar los efectos producidos por los cambios producidos en los
valores de los diferentes parámetros sobre la solución óptima. Es necesario
no perder de vista que los cambios en la solución del primal repercuten
automáticamente en la solución de su modelo dual. Por lo tanto, puede
elegirse qué modelo se va a utilizar para investigar los efectos.

Encontrar el óptimo de un problema de optimización, es solo una parte del

proceso de solución. Muchas veces nos interesar saber cómo varía la
solución si varía alguno de los parámetros del problema que
frecuentemente se asumen como determinísticos, pero que tienen un
carácter intrínsecamente aleatorio. Más específicamente nos interesara
saber para qué rango de los parámetros que determinan el problema sigue
siendo válida la solución encontrada.

Otro aspecto interesante es el tema de dualidad. Dualidad resulta de buscar

relaciones que permitan obtener información adicional de un problema de
optimización general. Esto, traducido a PL nos conduce a relaciones
primal-dual. Además veremos algunos teoremas útiles de dualidad y el
concepto de precio sombra.

1
ESENCIA DE LA TEORÍA DE DUALIDAD

Todo problema de programación lineal original, denominado primal, lleva

asociado otro problema lineal, que se conoce como dual. La solución
obtenida de cualquiera de estos problemas, aplicando el Algoritmo del
Simplex, proporciona información suficiente para calcular la solución del
otro.

El problema primal y dual explica dos aspectos económicos distintos de un

mismo problema. Las variables duales nos vienen a medir el valor de los
recursos imputados a la producción, pero esta valoración tiene unas
características peculiares, está realizada en términos de costos de
oportunidad. Esto quiere decir que aquellos factores (o restricciones) cuyas
existencias no quedan agotadas en el programa óptimo establecido, tienen
un costo nulo desde el anterior punto de vista, pues bajo el prisma
exclusivo del sistema empresarial es un bien libre al estar en exceso.

En consecuencia, la función objetivo, medirá el costo total de los factores

imputados a la producción, valor que ha de igualarse al rendimiento total
hallado en la función económica del primal para que se produzca el
equilibrio. Explicaremos con más detalle la interpretación económica del
problema dual.

Para la realización de este análisis vamos a partir del supuesto que se tiene
un problema de programación lineal donde se maximiza el valor de la
función objetivo, por ejemplo la ganancia.

2
Uno de los descubrimientos más importantes durante el desarrollo inicial
de la programación lineal fue el concepto de dualidad y sus muchas e
importantes ramificaciones. Este descubrimiento revelo que asociado a
todo problema de programación lineal existe otro problema lineal llamado
dual. Las relaciones entre el dual y su original (llamado primal) son
extremadamente útiles en una gran variedad de situaciones. Por ejemplo, se
verá que de hecho la solución óptima del problema dual es la que
proporciona los precios sombra descritos en las practicas al introducir el
análisis de sensibilidad.

Uno de los papeles clave que juega la teoría de la dualidad es la

interpretación y realización del análisis de sensibilidad. De hecho la
dualidad nos permitirá tratar dicho análisis desde el punto de vista
algebraico pudiendo así generalizarlo y aplicarlo a cualquier problema de
programación lineal, independientemente de cual sea su tamaño i.e.,
numero de variables y/o restricciones. Los orígenes de la dualidad, tal y
como hoy se conoce, son, en boca del propio Dantzig , atribuibles al
célebre matemático John Von Neumann, quien, en octubre de 1947,
conjeturo por primera vez la existencia de un problema dual asociado al
modelo de programación lineal.  

CONSTRUCCIÓN DE UN PROBLEMA DUAL

Bastante en general, para encontrar el dual de un problema lineal:

1. Si es problema de minimización el dual será de maximización y

viceversa.
2. En el dual habrá tantas variables como restricciones 2 en el primal.
3. En el dual habrá tantas restricciones como variables en el primal.

3
 4. Los coeficientes de la función objetivo del dual vendrán dados por
los coeficientes del lado derecho de las restricciones del primal.
5. Los coeficientes del lado derecho del dual vendrán dados por los
coeficientes de la función objetivo del primal.
6. Los coeficientes que acompañarán a la variable en una restricción del
dual corresponden a aquellos coeficientes que acompañan a la
variable primal correspondiente a la restricción dual.
7. Para saber si las restricciones duales son duales ≤, = ó ≥, se recurre
a la tabla de relaciones primal-dual.
8. Para saber si las variables duales son ≤ 0, = 0 ó ≥0, se recurre a
tabla de relaciones primal dual.

IMPORTANCIA

Los problemas primales y duales se encuentran ligados por una serie de

relaciones, saber la existencia de estas puede ser considerado de gran
utilidad para la resolución de problemas que parecen no factibles, o que no
pueden ser resueltos mediante un método en particular.

Se estudian la teoría de la dualidad y el análisis de sensibilidad, temas

fundamentales de la programación lineal, vinculados a la búsqueda de
información económica acerca del valor de recursos que son escasos, cómo
se utilizan, cuándo se analizan y cómo se plantea el problema dual, o
cuándo se aplica al problema primal el análisis de sensibilidad.

4
CARACTERÍSTICAS

Dado un modelo lineal determinado, podemos definir otro modelo lineal

que nos permitirá obtener pro-piedad interesante del primero y que será su
dual. La solución del modelo dual permite obtener interesantes resultados,
relativos al análisis de sensibilidad de los términos independientes.

Más concretamente, para los rangos de valores de los términos

independientes para los que se mantiene la base óptima (que podemos
conocer mediante el análisis de sensibilidad), la solución del dual nos
permite conocer el precio sombra de la restricción, que será la variación de
la función objetivo por unidad in-cementada del término independiente de
la restricción.

En la primera parte de esta sección, encontramos cómo hallar el dual de un

modelo lineal. En las siguientes, se define con más precisión el concepto de
precio sombra, cómo obtener la solución del dual partir de la del primal, y
su aplicación al análisis de sensibilidad.

Finalmente, se enuncian algunas propiedades de interés, como el teorema

de la holgura complementaria y las relaciones entre las soluciones del
primal con las soluciones del dual.

APLICACIONES

Las aplicaciones más importantes de la teoría de dualidad son:

a) Interpretación económica del problema primal (ya ilustrada).

b) Ahorro en cálculos en la solución de modelos de PL.

c) Algoritmo SIMPLEX dual.

d) Utilidad en análisis de sensibilidad.

5
INTERPRETACIÓN

Cada variable del dual está asociada a una restricción del programa primal,
y su valor óptimo representa el incremento de la función objetivo del
primal por cada unidad que aumente el término independiente de dicha
restricción, siempre que este último aumento no suponga un cambio de
base.

Es, por tanto, el precio adicional máximo que estamos dispuestos a pagar
por el incremento del recurso. Los valores de estas variables se denominan
precios sombra.

RELACIONES ENTRE MÉTODO PRIMAL Y EL DUAL

De lo anteriormente expuesto se puede deducir que existe una estrecha

relación entre el problema primal y dual que puede expresarse en lo
siguiente:

El dual tiene la matriz D transpuesta, es decir, si suponemos que D es de

orden sx r, entonces Dt es de orden r x s. Además las variables del primal y
el dual son diferentes, ya que X será un vector de r-componentes mientras
que el vector Y tendrá s-componentes.

Los términos independientes del conjunto de las restricciones del problema

primal forman los coeficientes de la función objetivo del dual.

Los coeficientes de la función objetivo del primal forman los términos

independientes de las restricciones del dual.

Las restricciones del dual cambian su sentido al igual que el criterio de

optimización en términos de mínimo o máximo.

6
A cada restricción del problema primal le corresponde una variable dual y
análogamente a cada restricción del dual le corresponde una variable del
primal.

Si se halla el dual del problema dual, obtendremos el problema primal.

Estas relaciones nos permiten pasar de un problema de primal a su dual en

forma bastante algorítmica, tanto para problemas de minimización como de
maximización.

Estas relaciones nos permiten pasar de un problema de primal a su dual en

forma bastante algorítmica, tanto para problemas de minimización como de
maximización.

PROBLEMA DE MINIMIZACIÓN PROBLEMA DEMAXIMIZACIÓN

Restricciones Variables
≥ ≥0
= Irrestricta
≤ ≤0
Variables Restricciones
≥0 ≥
Irrestricta =
≤0 ≤

Primal Minimización – Dual Maximización

Por ejemplo, leyendo la tabla desde izquierda a derecha, es decir, pasar de

un problema primal de minimización a un problema dual de maximización,
tenemos:

7
 Si el problema primal es de minimización, entonces su
correspondiente dual será uno de maximización.
 Si el problema primal tiene una restricción del tipo >=, la variable
dual asociada a dicha restricción debe ser >=0.
 Si el problema primal tiene una restricción del tipo <=, la variable
dual asociada a dicha restricción debe ser <=0.
 Si el problema primal tiene una restricción del tipo =, la variable
dual asociada a dicha restricción debe ser irrestricta (libre de signo).
 Si el problema primal tiene una variable >=0, la correspondiente
restricción asociada en el dual debe ser <=.
 Si el problema primal tiene una variable <=0, la correspondiente
restricción asociada en el dual debe ser >=.
 Si el problema primal tiene una variable irrestricta (libre de signo), la
correspondiente restricción asociada en el dual debe ser =.
 Primal Maximización – Dual Minimización
 De forma análoga, interpretando la tabla desde derecha a izquierda,
es decir, pasar de un problema primal de maximización a un
problema dual de minimización, tenemos:
 Si el problema primal es de maximización, entonces su
correspondiente dual será uno de minimización.
 Si el problema primal tiene una restricción del tipo <=, la variable
dual asociada a dicha restricción debe ser >=0.
 Si el problema primal tiene una restricción del tipo >=, la variable
dual asociada a dicha restricción debe ser <=0.
 Si el problema primal tiene una restricción del tipo =, la variable
dual asociada a dicha restricción debe ser irrestricta (libre de signo).
 Si el problema primal tiene una variable >=0, la correspondiente
restricción asociada en el dual debe ser >=.

8
  Si el problema primal tiene una variable <=0, la correspondiente
restricción asociada en el dual debe ser <=.
 Si el problema primal tiene una variable irrestricta (libre de signo), la
correspondiente restricción asociada en el dual debe ser =.

ALGUNOS DE LOS TEOREMAS DE DUALIDAD

Teorema Débil de Dualidad

El Teorema de Dualidad Débil establece que si x є IRn, es una solución

factible del problema Primal P) y ∏ є IRm, una solución factible del
problema Dual D), entonces:

Es decir, en el formato descrito anteriormente, el valor que reporta una

solución factible del problema dual de minimización al ser evaluada en su
respectiva función objetivo, representa una cota superior del valor óptimo
del problema primal de maximización.

Análogamente, una solución factible del problema primal de maximización

al ser evaluada en dicha función objetivo representa una cota inferior del
valor óptimo del problema dual de minimización. En conclusión: V (P)
<=V (D).

En general si el problema primal tiene un dominio de soluciones factibles

no acotado sin solución óptima (es decir, es un problema no acotado) el
respectivo problema dual resultará ser infactible (y viceversa).

Una representación gráfica realizada con Geogebra del problema primal

permite apreciar que el dominio de factibilidad es no acotado y su solución

9
óptima se encuentra en el vértice C donde X1=2/5 y X2=6/5 con valor
óptimo V (P)=16/5.

Notar adicionalmente que cualquier par ordenado que pertenece al área

achurada es factible, por ejemplo X1=2 y X2=2 es una Solución Básica
Factible para el problema primal con V (P)=8 (cota superior del valor
óptimo del problema dual de maximización).

En cuanto al problema dual su dominio de factibilidad es acotado y su

solución óptima se encuentra en el vértice C con Y1=2/5 e Y2=2/5 y valor
óptimo V (D)=16/5. Adicionalmente existen otros puntos factibles como el
origen (Y1=0 e Y2=0) con V (D)=0 lo cual permite corroborar que
cualquier solución factible del problema dual al ser evaluada en la función
objetivo (de minimización) genera una cota inferior del valor óptimo del
problema primal de minimización.

10
Teorema de Dualidad Fuerte

Si un problema (Primal) de Programación Lineal tiene una solución óptima,

entonces el correspondiente problema Dual también tiene una solución
óptima, y los respectivos valores en la función objetivo son idénticos.

En consecuencia, del Teorema de Dualidad Fuerte se deduce que ambos

problemas (primal y dual) al ser evaluados en sus respectivas soluciones
óptimas (en caso de existir) proveen idéntico valor óptimo, es decir, V
(P)=V (D). Es más, resulta suficiente resolver uno de ellos y luego utilizar
las propiedades del Teorema de Holguras Complementarias para encontrar
la solución óptima (y valor óptimo) de su problema equivalente. En nuestro
ejemplo V (P)=16/5=V (D).

11
TOREMA DE DUALIDAD FUERTE Y DUALIDAD DÉBIL
(DUALIDAD DE PROGRAMACIÓN LINEAL)

En el contexto de las relaciones de dualidad en Programación Lineal, los

teoremas de dualidad fuerte y dualidad débil constituyen importantes
resultados teóricos que contribuyen a la comprensión y resolución de
modelos de optimización lineales. En el siguiente artículo ilustraremos su
utilización haciendo uso de un ejemplo sencillo para fines académicos que
por supuesto puede ser extendido a problemas de mayor tamaño.

Consideremos los siguientes problemas Primal (P) y Dual (D) en su

formato matricial:

PAPEL DE LA TEORIA DE LA DUALIDAD EN EL ANALISIS DE

LA SENSIBILIDAD

La teoría de la dualidad establece que un problema dual de programación

lineal se origina directamente del modelo original denominado problema
primal.

12
Ambos se encuentran muy relacionados, de modo que la solución óptima
de uno de ellos proporciona la solución óptima del otro. Para todo
problema de maximización de programación lineal existe un problema de
minimización, y viceversa.

Esta regla nos indica que existe una correspondencia directa entre los
elementos del problema primal y su dual. En la siguiente diapositiva se
muestra cómo, para la forma estándar de un problema de programación
lineal, tenemos a la izquierda el problema primal y, después de hacer la
conversión

ACERCA DE LOS PRECIOS SOMBRA

Los valores de las variables duales en el ´optimo tienen una interpretación

económica interesante en problemas de programación lineal: Corresponde a
las tasas marginales de variación del valor de la función objetivo ante
variaciones unitarias del lado derecho de una restricción. Por este motivo se
le llama precio sombra al vector de variables duales en el ´optimo.

TEORÍA DE LA SENSIBILIDAD

El marco de las estéticas en uso resulta insuficiente para explicar el

fenómeno estético. La clásica actividad artística, condicionada hoy por el
medio urbano y la tecnología digital, se ha visto obligada a ampliar su
horizonte.

Teoría de la sensibilidad muestra cómo el arte y la estética de vanguardia

intuyeron la transformación y la ampliación de su contenido, aunque se
pretendieron resolver sin salir de las formas y formatos del arte tradicional.
Frente a las fórmulas estéticas clásicas, originarias de las fórmulas artísticas
del Renacimiento

13
Como ya se dijo, nos interesa ver como se ve afectada la solución de un
problema de optimización si cambia alguno de los parámetros del
problema. En este ámbito, podemos distinguir 2 tipos de análisis:

1. Análisis de sensibilidad: Consiste en determinar cuál es el rango de

variación de los parámetros del problema de modo que la base
óptima encontrada siga siendo óptima.
2. Análisis post optimal: Consiste en determinar cómo varía la base
óptima si cambia alguno de los parámetros del problema.

OBJETIVO

 Permite resolver problemas de programación lineal de forma más

rápida y sencilla.
 Es otra vía para resolver un problema de programación lineal.
 Facilita profundizar en el contenido económico del problema original
(primal).

Puede ser utilizada para resolver el caso en que se debe considerar la

introducción de una nueva variable en el primal una vez que ha de sido
obtenida la solución óptima, sin tener que resolver completamente el
problema.

14
 GLOSARIO

Algoritmo: Conjunto ordenado de operaciones sistemáticas que permite

hacer un cálculo y hallar la solución de un tipo de problemas.

Algoritmo simplex: habitualmente se refiere a un conjunto de métodos

muy usados para resolver problemas de programación lineal, en los cuales
de alguna manera se busca el máximo de una función lineal sobre un
conjunto de variables que satisfaga un conjunto de inecuaciones lineales.

Función objetivo: es la ecuación que será optimizada dadas las

limitaciones o restricciones determinadas y con variables que necesitan ser
minimizadas o maximizadas usando técnicas de programación lineal o no
lineal.

Intrínseco: es un término utilizado frecuentemente en Filosofía para

designar lo que corresponde a un objeto por razón de su naturaleza y no por
su relación con otro.

Maximizar o minimizar: obtener el beneficio máximo y el gasto mínimo.

Óptimo: se emplea cuando se quiere dar cuenta de aquello que resulta ser
muy bueno, que no puede ser mejor de lo que es, es decir, óptimo es el
superlativo del término bueno.

Problema dual: que posee importantes propiedades y relaciones notables

con respecto al problema lineal original.

Precio sombra: Los precio sombra representa el costo de oportunidad de

producir o consumir un bien o servicio en un problema de programación
lineal.

Restricción: Limitación o reducción en el uso o gasto de una cosa.

Teorema: Un teorema es una proposición cuya verdad se demuestra. En

matemáticas, es toda proposición que partiendo de un supuesto (hipótesis),
afirma una racionabilidad (tesis) no evidente por sí misma.

15
 CONCLUSIONES

Al hacer un análisis económico proyectado al futuro, siempre hay un

elemento de incertidumbre asociado a las alternativas que se estudian y es
precisamente, esa falta de certeza lo que hace que la toma de decisiones
económicas sea bastante difícil. Con el objeto de facilitar esta labor, puede
efectuarse un análisis de sensibilidad, el cual indica las variables que más
afectan el resultado económico de un proyecto y cuáles son las que tienen
poca incidencia en el resultado final.

En un proyecto individual, la sensibilidad debe hacerse con respecto al

parámetro más incierto; por ejemplo, si se tiene una incertidumbre con
respecto al precio de venta del artículo que se proyecta fabricar es
importante determinar qué tan sensible es el TIR o el VPN, con respecto al
precio de venta, si se tienen dos o más alternativas, es importante
determinar las condiciones en que una alternativa es mejor que otra.

16
 BIBLIOGRAFÍA

 BLANK, Leland T y TARQUIN, Anthony J. Ingeniería Económica.

Tercera Edición. Mc Graw Hill. 1994.
 BLANK, Leland T y TARQUIN, Anthony J. Ingeniería Económica.
Cuarta Edición. Mc Graw Hill. 2000.
 http://www.monografias.com/trabajos/tomadecisiones/tomadecisione
s.shtml
 http://www.uady.mx/sitios/economia/licenciaturas/arbol1.htm
 www.mindomo.com
 www.ecured.cu
 https://www.gestiondeoperaciones.net/tag/teorema-de-holguras-
complementarias/

17
ANEXOS

18